JS 杂志上的传感器 1687 - 7268 1687 - 725 x Hindawi 10.1155 / 2020/6413654 6413654 研究文章 春天的变化分析植被绿化日期在秦巴山区时空数据立方体的支持 https://orcid.org/0000 - 0001 - 9133 - 437 x 李 济源 1 https://orcid.org/0000 - 0002 - 9030 - 9989 冯 肖 2 阴 Jiangbin 1 程ydF4y2Ba 方 3 余 锋 1 西北地区国土资源研究中心 陕西师范大学 620号西长安街 西安710119年 中国 snnu.edu.cn 2 学校的高速公路 长安大学 Er 'huan南路 西安710064年 中国 chd.edu.cn 3 信息工程国家重点实验室的测量 映射和遥感 武汉大学 武汉430079 中国 whu.edu.cn 2020年 27 2 2020年 2020年 15 11 2019年 06 01 2020年 27 2 2020年 2020年 版权©2020李济源et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

近几十年来,全球和当地的植被物候学经历了重大变化由于气候变化和人类活动的结合。当前的研究揭示了植被物候学的时间和空间分布的大规模使用遥感数据。然而,研究遥感物候学的时空分异及其变化是有限的涉及高维数据处理和分析。一个新的数据模型,提出了基于数据立方体技术论文中有效地组织遥感物候学和相关再分析数据在不同的尺度。数据立方体的多维聚合函数推广的快速发现生物气候学的时空分异。探索性分析方法扩展到多维数据集的数据挖掘长期物候学的变化特征及其影响因素。基于这种方法,案例研究探讨秦巴山区的春季物候学有很强的依赖的地形,和温度中起主导作用的植被绿化日期分布高海拔地区,人类活动在低空领域占据主导地位。绿色趋势斜率的反应似乎是最敏感的海拔约2000米。这项研究提供了一种新的方法分析生物气候学秦巴山区现象及其变化有相同的其他地区的物候学研究参考价值。

 陕西省自然科学基础研究计划 2018年jm4022 中国国家自然科学基金 41831284 中央大学基础研究基金 GK201903112 1。介绍

物候学是一个重要的指标反映植被生长的状态,因为它对生态环境相应的( 1]。同时,植被物候学对粮食供应的影响,动物活动,和人类健康,进一步影响碳预算和材料回收过程在全球范围内( 2]。因此,生物气候学的观察和分析是一个关键的方法理解环境的变化。近年来,研究发现植被物候学显著改变了上个世纪以来由于全球气候变化和人类活动的双重影响。几个分析揭示了早期的绿色日期和延迟休眠。尽管研究显示没有全球变暖的趋势在春季和秋季物候学中断(1998 - 2012)( 3),一些气候敏感地区的绿色日期还有一个明显的进步,比如秦巴山区。之间的过渡地带中国南北气候区,这个区域显示复杂的地形和气候的时空异质性。超过六个城市分布在这个区域。有必要理解的时空分异在秦巴山区植被物候学和相关影响因素。

如今,实地观察物候学的网络已经建立在一些地区/国家[ 4- - - - - - 6]。长期FLUXNET测量分析了目前没有广泛的进步变暖空隙内的植被绿化日期( 3]。物候学建模方法基于特定植物的原位观测提出了预测气候变化的趋势( 7]。原位观测数据的高质量但有限的网站数量。在秦巴山区,复杂的地形和丰富的生物多样性导致巨大的物候学的空间异质性分布及其变化( 8]。有限的监测站点的观测数据不能描述生物气候学在整个研究区域的空间分布。

遥感数据为大规模地表物候学研究提供了长期的观察。归一化植被指数NDVI() /增强型植被指数(增强型植被指数)数据集是广泛应用找到SOS(生长季节开始),EOS(生长季节结束),并相应地洛(生长季节的长度)与全球气候变化( 9]。相关的各种可用的遥感数据源和物候学参数提取方法建立了一个良好的科学基础为进一步分析的变化特征 10- - - - - - 12]。的遥感物候学地图描述了相当大的空间变异,尤其是城乡,建议的潜在影响城市热岛引起的人类活动( 13, 14]。土地覆盖变化和植被类型也认为研究物候学变化的差异率在北部高纬度地区( 11]。在秦巴山区,几项研究显示,春季物候学的整体空间分布有一个先进的趋势( 15, 16]。空间模式是符合当地的水热条件和在该地区有很强的地形依赖( 17, 18]。

秦巴山区的复杂地形和特殊的地理位置导致各种类型的气候条件与分型在几个方面,如经度、纬度、海拔高度和斜率。因此,有必要探索的模式从多个方面物候学分布在该地区。虽然在秦巴山区生物气候学的变化吸引了太多的关注,从多个维度综合变化分析的研究是有限的。当前使用遥感数据的研究主要集中在参数提取、物候学的整体空间格局和趋势。这样的分析涉及到时空统一计算和高维数据处理遥感数据。传统的遥感数据模型层的堆栈,不是有效的多维地图代数。此外,多元数据的不一致性量表对这项研究提出了巨大的挑战。目前,数据立方体技术越来越受欢迎的遥感数据处理( 19, 20.]。通过多维数据立方体组织网格数据数组和由坐标索引。因此,其空间的独立性和数组操作有助于实现高性能计算。数据立方体可以有效地处理大规模的数据如果结合数据库和并行过程数组( 21, 22]。基于这个想法,EO数据立方体提供了全面的平台支持从数据采集到分析服务( 23, 24]。本文建立了一个整洁的数据模型在数据立方体技术的支持。基于这个模型中,植被的变化分析绿色日期在多个维度调查发现更多的时空分异。数据立方体的自然探索性分析方法已被用于理解climate-phenology-human交互。这项研究提供了一种新的方法分析生物气候学秦巴山区现象和变化有相同的其他地区的物候学研究参考价值。

本文的组织结构如下:部分 2描述了数据来源和方法论。部分 3介绍了结果和分析基于数据立方体。部分 4和部分 5分别完成讨论和结论。

 2。数据和方法 2.1。研究区和数据来源

秦巴山区位于中国中部,由北部的秦岭山脉和大巴山山脉南部(见图 1)。连接到青藏高原西部,东部到华北平原。山的风景与几个盆地占主导地位的地区,如汉中、安康、山丹,分布在中间。由于不同的水热条件和明显的垂直变化,有三种气候类型在秦巴山区:从南到北北亚热带气候,subtropical-warm温带过渡气候和温暖的温带气候。研究区域内的黑色边界如图 1覆盖的地理区域的80个县,总面积230000公里2,最高海拔超过4000米。

研究秦巴山区面积由80个县。

我们利用长期植被绿色产品在1981 - 2016年从美国国家航空航天局的措施项目,融合来自不同卫星测量任务和传感器:AVHRR(先进的高分辨率辐射计)的MODIS(中分辨率成像光谱仪)和VIIRS(可见红外成像辐射计)。产品从美国国家与地面验证观察物候学网络(US-NPN)气候模型网格(没有发生,0.05度)决议( https://vip.arizona.edu)。

年代RT米(航天飞机雷达地形测绘任务)数字高程数据(DEM)重新取样nearest-neighborhood 5公里分辨率的方法被用于生成数据分辨率相同的斜率和方面。2015年土地利用数据来源于500土地覆盖产品提供的气候变化倡议(CCI)的欧洲航天局( https://www.esa-landcover-cci.org)。在原始数据重新分类的所有土地利用类型分为六组:结算的地方,农田,森林覆盖,其他的自然植被,水体和裸地。提供的气象数据是中国气象科学数据共享服务网络( http://data.cma.cn),包括每日平均气温和降水从43个国家气象监测站40公里缓冲区内的研究领域。每日气象数据插值栅格数据在5公里分辨率Ausplin4.2工具使用薄板平滑样条函数和DEM数据。所有的数据都是等积投影到阿尔伯斯圆锥投影和WGS 1984坐标系,这被认为是一个标准的投影和坐标系统在我们的研究。

 2.2。方法 2.2.1。数据立方体模型

已应用于数据立方体薮猫域为多维数据管理和处理( 25]。因此,没有标准模型定义和操作。通常,数据立方体可以看作多维数组的指定容器至少时空维度。当然,它能够包含更多数量的任意尺寸超立方体。本文中使用的数据立方体可以被定义为一个元组的三个元素:<<我nline-formula> D ,<我nline-formula> C ,<我nline-formula> 一个 ,<我nline-formula> 米 >,<我talic> D表示维度组,包括时间和空间和空间可以表示为一个或两个维度(见图 2)。所有的维度的组合是用来定位固定point-named细胞在多维数据集。<我nline-formula> 一个 与多维数据集关联的属性,比如名称或投影信息。

UML图数据的多维数据集模型。

一个细胞存储一系列的测量(<我nline-formula> 米 来自各种数据源的元组),如温度、降水、和物候学数据。有三种类型的测量在多维数据集:数字、比例和类型的度量标准。数字度量意味着单个值,如温度。比例指标是“大摇大摆地作为一个字典记录单元中的多个类别的比例,如土地覆盖。如果一个细胞是由一种类型的土地利用,我们采用指定整数编码相反,即类型指标。元组,<我nline-formula> C 意味着协调集,每个坐标必须保持相同大小的维度成员。一个坐标是用来描述维度从特殊的角度来看。例如,我们民主党定义为一个坐标高程标签空间的每一个细胞。这意味着不同的标签或索引规则可以由坐标建立超越维度。值得注意的是,数据可以转化为坐标的或从维度和测量,可以方便实现各种操作,如切片、聚合和主。

所有数据建模工作是基于Xarray这是一个python库设计的多维数组计算( 26]。面向对象的多维数据集的实现包括DimensionSet CoordinateSet, MeasurementSet, AttributeSet。测量和维度的DataArray对象类型支持一维时间序列,二维数组,或任意维度的数组。协调对象继承自维对象;因此,它可以转化为维度。多维数组的数据立方体继承的数学能力,以及空间和时间函数能够同时执行生成新的数据集。例如,<我nline-formula> 幼崽 e ′ = α 多维数据集 + β 多维数据集是输入数据和<我nline-formula> α / β 是线性参数。提出的多维数据集模型是缓存在内存中,NetCDF支持(网络常见的数据形式)文件在磁盘存储大型数据集数据。多维数据集文件句柄,使延迟加载其内容从磁盘上的数据集来提高内存利用率的效率。

 2.2.2。多维数据集的时空模式分析聚合

由于高维度和大量的数据立方体,时空模式不能被公认的视觉。因此,数据立方体据一定规模需要聚合在一个或几个方面来降低维数。然后总结了地图/图表,符合人类视觉认知有助于视觉分析指标的时空模式在不同的角度/维度。

只有在提出了数据立方体空间和时间维度;因此,立方体聚合可以分为三种类型:时间聚合,空间聚合和时空的聚合(见图 3)。颞聚合总结了立方体到垃圾箱,如月平均降水。空间聚合将空间划分为几个区域根据值或地理边界,然后聚合内的数据区。时空的聚合生成的时空区域进行进一步的静力学,这是有用的在分析气候对物候学的影响。例如,相应的累积降雨量在细胞,可以计算每个SOS所在,因为箱子的时间累积降雨量在这些细胞是不同的。多维数据集可以被带状聚合函数在多维地图代数Mennis提出( 27)如下: (1) gg = 纬向 多维数据集 , 区 , f , 区在哪里聚集区域的具体尺寸和<我nline-formula> f 表明聚合函数,如均值/金额/方差。基于数据立方体模型、区域功能是通过三个步骤实现:(1)坐标的数据聚合转化为多维数据集维度的成员,(2)为聚合构建合成尺寸的箱子,和(3)组数据立方体的垃圾箱,然后进行聚合函数为每一个垃圾箱。

纬向多维映射函数代数(Mennis, 2010)。

 2.2.3。趋势分析的多维数据集

Mann-Kendall方法被广泛用于检查的趋势,因为它没有假设一个特定的分布数据和不受异常值( 28, 29日]。我们利用该方法测试时间序列的趋势值在每个立方体的本。公式如下: (2) 年代 = ∑ 我 = 1 n − 1 ∑ j = 我 + 1 n 胡志明市 x j − x 我 , 胡志明市 θ = 1 , θ > 1 , 0 , θ = 0 , − 1 , θ < 0 , 在哪里<我nline-formula> x j 是<我nline-formula> j 当前本和价值<我nline-formula> n 表明本的项的数量。每个本的趋势时间序列作为一个记录<我nline-formula> z 分数和一个<我nline-formula> p 价值。Theil-Sen方法可以计算出每一本估计的斜率Mann-Kendall趋势如下( 30.]: (3) 坡 = 中位数 x 我 − x j 我 − j 。

基于数据的趋势分析的结果,Getis-Ord Gi<我nline-formula> ∗ 统计数据来确定趋势(热点)多维数据集,已经通过了显著性检验 31日]。公式如下: (4) G 我 ∗ = ∑ j = 1 n w 我 , j x j − X ¯ ∑ j = 1 n w 我 , j 年代 n ∑ j = 1 n w 我 , j 2 − ∑ j = 1 n w 我 , j 2 / n − 1 , X ¯ = ∑ j = 1 n x j n , 年代 = ∑ j = 1 n x j 2 n − X ¯ 2 , 在哪里<我nline-formula> x j 单元格的值是在时空的本<我nline-formula> j ,<我nline-formula> w 我 , j 本之间的时空的重量吗<我nline-formula> 我 和本<我nline-formula> j ,<我nline-formula> n 表明与时空距离本箱的数量<我nline-formula> 我 。一旦Getis-Ord胃肠道<我nline-formula> ∗ 为每个本统计完成,热点趋势使用Mann-Kendall方法进行测试。结果数据的趋势和热点趋势寻找新的相结合,强化,递减,零星的热点和冷点的立方体。利用ArcGIS 10.5执行主机位置分析。提出了数据立方体支持读写NetCDF数据可以直接输送到ArcGIS热点分析工具通过使用ArcPy (ArcGIS的python库)。

 3所示。结果和分析 3.1。数据立方体的建筑

两个数据立方体生成:SOS数据立方体和气候数据立方体和它们的基本结构(见表所示 1)。

结构的SOS数据立方体和气候数据立方体。

SOS数据立方体 气候数据立方体
维 X (5公里),<我nline-formula> Y (5公里),<我nline-formula> T (每年)大小:<我nline-formula> 200年 × One hundred. × 36 X (5公里),<我nline-formula> Y (5公里),<我nline-formula> T (每日)大小:<我nline-formula> 200年 × One hundred. × 13149年
协调 经度,纬度,海拔、坡方面 /
测量 SOS、土地利用 温度、降水

有两种类型的SOS数据立方体的措施。其中一个是SOS的年代表天(机灵),和一个5公里网格作为空间维度。另一个是土地利用数据聚合到同一个网格。由于使用地图投影,经度和纬度信息被视为多维数据集的坐标信息便于进一步分析基于地理位置。

时间序列气候数据的周期13149天打包到气候数据立方体在两种类型的总规则生成新的测量(温度和降水)SOS数据立方体。第一个是每年year-length箱子内聚合的聚合数据。另一个是聚合数据的时间内箱,的形式(SOS,<我nline-formula> 紧急求救信号 + N 月 基于SOS),为每一个位置。我们表示平均聚合在一个月内SOS值为1 m滞后和总结了聚合在前一个月SOS值<我nline-formula> Σ 1 米 滞后。聚合的气候数据注入SOS数据立方体作为新的测量。

 3.2。时空模式分析

秦巴山区的地形与多维特征不同,气候也不同在不同的维度,例如纬度,经度,高程和坡度。这些差异可能会导致高度的复杂性、多样性和异质性秦巴山区的物候学。图 4介绍了空间分布的1981年和2016年之间的平均SOS显示明显的一致性与地形的分布如图 1。城市和居住区分布在山谷或盆地位于北部,南部,东部和中部地区的区域。因此,人类活动对环境的影响强度应该有很强的相关性与地形分布。SOS的时空模式根据三个地形因素分别进行分析如下。

1981 - 2016年之间SOS的空间分布。

SOS和高程计算增加了不同聚合SOS海拔垃圾箱如图 5(一个)。SOS似乎变成了早些时候在海拔高度增加。在海拔700米以下,SOS大大增加,然后降低。可能的原因是,人类的活动更频繁的在这个区,和SOS逐渐返回到自然水平在700米左右。温度变得物候学的主要控制因素在高海拔地区。当它达到3500 m, SOS的上升趋势是逐渐变平。SOS的时光抬高分布如图 5 (b)更清楚地说明了这些变化,同时也表明了SOS逐年得到晋升为同一海拔垃圾箱。

SOS随海拔变化的区别。(一)平均SOS随海拔高度变化。(b) SOS elevation-time空间的变化。

斜率是一种重要的地形因素,直接影响土壤类型、土壤水分和营养物质,从而导致不同的植被类型。根据图 6(一)SOS显著增加的区域0°5°的斜率增长缓慢在5°-25°。当它到达25°,增长率是显而易见的。图 6 (b)说明这些变化在2 d空间。测试表明,斜率对植被绿化有预防效果。

SOS变化斜率分化。(一)平均SOS和斜率变化。(b) SOS slope-time空间的变化。

方面能够重新分配阳光,能量,降雨在当地的环境。我们定义两个方面垃圾箱(南、北)和四个高程垃圾箱:(0,600),(600,1500),(1500米、2000米],(2000米、4000米)。SOS数据立方体是聚合方面和高度尺寸(图 7)。南北坡SOS分化不明显的海拔1500米或更少。南坡SOS差距和北坡的区域内出现(1500米、2000米),但直到2000年逐渐变得越来越小。在海拔2000米以上的地区,已经有显著的SOS北部和南部斜坡之间的区别。结果表明,海拔越高,SOS的南北坡分化越明显。然而,分化与全球变暖的趋势将逐渐消失。

SOS变化方面的分化。(一)SOS高程的变化本(0,600]。(b) SOS高程的变化本(600、1500)。(c) SOS高程的变化本(1500年,2000]。(d) SOS高程的变化本(2000年,4000]。

民主党(0.0,600.0):

民主党(600.0,1500.0):

民主党(1500.0,2000.0):

民主党(2000.0,4000.0):

 3.3。趋势分析

Mann-Kendall趋势测试进行的SOS数据立方体时期从1981年到2016年(<我nline-formula> Z 量 分数 = 量 4.2906 ,<我nline-formula> p < 0.00001 )。的斜率Mann-Kendall趋势如图 8。可以看出SOS有提前趋势在大多数地区,除了地区人类活动更加频繁。

空间分布的SOS的斜率。

为了检查的响应灵敏度SOS斜率不同的海拔,我们聚合趋势斜坡成不同海拔垃圾箱(见图 9)。结果表明,没有重大变化的斜率在低海拔的地区。海拔增加超过600时,负斜率逐渐增加。约2000米,坡度的反应似乎是最敏感的。这将减少高度继续上升。测试表明,SOS在高海拔地区的变化更敏感比在低海拔地区,以及人类活动的影响在低空领域SOS变化多样。

SOS斜率随海拔高度变化。

斜率分析反映了SOS的总体趋势。为了确定趋势和研究变化过程,Getis-Ord Gi<我nline-formula> ∗ 统计方法用于SOS数据立方体(热点分析)。如图 10,结果被分为八个集群:持续的冷点,加剧冷点,冷点,递减连续冷点,振荡冷点,振荡热点,热点递减,和持续的热点。

热点分析SOS数据立方体。

持久冷点代表一个统计上显著的冷点的90%时间步的间隔,没有明显的趋势。这些类型的景点主要集中在城市和小城镇地区人类活动总是频繁的很长一段时间。面积包围加剧冷点,冷点递减和本构冷点。强化冷点位于农村地区意味着SOS越来越早而递减冷点表示推迟的趋势。连续冷点描述单个不间断运行的位置显著冷点垃圾箱在最后时间步的间隔。上述现象可能是由于不同的土地利用模式由人类在该地区,引进外来树种等城市绿化或者种植不同的庄稼。

振荡冷点所覆盖的区域是在中、低海拔地区,周围的居民区。对于这种类型的区域,有统计上显著的热点在过去,但最近显著冷点。结果表明这个地区可能受气候变化和人类活动的叠加,所以SOS趋势波动很大。大部分的高海拔地区热点递减,和边缘区域分布振荡热点。Nonchanging热点只占据西部的一小部分。

 4所示。讨论

温度和降水是影响植被物候学的直接因素。在山区,地形会导致土壤养分的差异,土壤含水量、当地温度、甚至雨量分布。因此,空间分布将受到地形的影响间接如前面分析所示。根据气候数据立方体和SOS数据立方体,本节给了探索性分析潜在影响因素的量化手段,以2015年的数据为例。

基于最小二乘方法,温度之间的线性关系/边坡降雨/高度/ /方面和SOS计算,分别。结果如表所示 2时间箱的温度在哪里SOS (0 m滞后),前一个月SOS (1 m滞后)和SOS的年(每年)。降水的时间垃圾箱SOS (0 m滞后),SOS(前一个月<我nline-formula> Σ 1 米 滞后),前两个月SOS (<我nline-formula> Σ 2 米 滞后),今年的SOS(每年)。它可以获得的温度SOS的月和两个月前的积累沉淀与SOS有更高的相关性。此外,高度的相关系数最大的所有因素。

相关分析的因素和SOS。

因素 调整<我nline-formula> R 2 负(%) 团体。
温度 0 m滞后 0.47 One hundred. 0.005<我nline-formula> ∗ ∗
1米滞后 0.16 One hundred. 0.021<我nline-formula> ∗
每年 0.09 One hundred. 0.124
降水 0 m滞后 0.06 68年 0.153
Σ 1米滞后 0.21 70年 0.015<我nline-formula> ∗
Σ 2 m滞后 0.27 70年 0.008<我nline-formula> ∗ ∗
每年 0.20 50 0.047
海拔高度 0.65 0 0.001<我nline-formula> ∗ ∗
坡 0.18 0 0.007<我nline-formula> ∗ ∗
方面 0.12 80年 0.006<我nline-formula> ∗ ∗

∗ ∗ 相关在0.001级(2-tailed)具有重要意义。<我nline-formula> ∗ 相关在0.05级(2-tailed)具有重要意义。

最小二乘线性回归模型和地理加权回归模型建立了基于四个独立变量(0 m滞后温度、降水<我nline-formula> Σ 2 米 滞后、斜率和方面),导致调整<我nline-formula> R 2 分别为0.73和0.85。期间由于温度使用高程作为协变量插值处理,它有一个大的和高度共线性,然后,我们把海拔从独立变量。

地理加权回归考虑空间的非平稳,从而具有更好的拟合效果比线性回归,如图 (11日)。然而,南部和北部地区的结果不理想,可能与植被扰动引起的人类活动在这些领域。我们掩盖了地区林地所占比例不足70%,再次执行地理加权回归。的调整<我nline-formula> R 2 达到0.91,这表明该模型适用于解释SOS的林地的分布地区(图 11 (b))。测试进一步说明了山脉的气候地形有很强的依赖,和温度在春季物候学中起主要作用的分布地区。其他地区,土地利用/覆盖应该衡量人类活动的强度相结合为今后进一步进行归因分析工作。

地理加权回归的结果(a)与所有类型的土地覆盖和(b)与只有森林覆盖面积。

 5。结论

上面的分析揭示了时空分异和改变秦巴山区的春季物候学分布的特征。时空数据多维数据集提供了一个很好的支持整个分析过程数据结构而言,多维分析和探索性分析。与传统方法相比,这种方法有助于探索隐藏的时空格局及其影响因素。它提供了一个新的视角研究物候学,可以补充目前的方法和技术。此外,提出了数据立方体有可能连接到更多的探索性分析工具和空间统计算法。

地形因素,包括海拔、坡度和方面被认为是。然而,大众海拔效应( 32)和植物物种也是当地气候的关键影响因素,而没有分析。未来的工作将包括这些因素在研究土地利用/覆盖。在缺乏地面观测验证,探索性分析的相对变化和时空分布趋势利用遥感数据仍有很大优势。区域分析,高分辨率遥感数据的物候学是必需的。

 数据可用性

每日平均气温和降水数据集用于本文公开的中国气象科学数据共享服务网络( http://data.cma.cn)。植被绿色产品在1981 - 2016年期间还提供免费通过植被指数和物候学实验室,美国亚利桑那大学( https://vip.arizona.edu)。

 的利益冲突

作者宣称没有利益冲突。

 确认

此处展示的研究在基础研究基金资助的研究项目的中央大学(GK201903112),中国国家自然科学基金(41831284)和中国陕西省自然科学基础研究计划(2018 jm4022)的援助。

 通用电气 问:S。 戴 j . H。 郑 j . Y。 物候学研究的进展和挑战,在中国现代物候学研究 中国科学院公报》 2010年 25 3 310年 316年 夏 J。 妞妞 年代。 Ciais P。 詹森 我一个。 程ydF4y2Ba J。 阿曼 C。 Arain 一个。 Blanken p D。 Cescatti 一个。 Bonal D。 布克曼 N。 柯蒂斯 p S。 程ydF4y2Ba 年代。 越南盾 J。 弗拉纳根 l . B。 Frankenberg C。 皮质 T。 高夫 c . M。 回族 D。 •吉利 G。 李 J。 隆德 M。 Magliulo V。 Marcolla B。 Merbold l Montagnani l 摩尔人 e . J。 奥尔森 j·E。 朴 年代。 Raschi 一个。 Roupsard O。 Suyker 答:E。 Urbaniak M。 Vaccari f P。 Varlagin 一个。 Vesala T。 威尔金森 M。 翁 E。 Wohlfahrt G。 严 l 罗 Y。 联合控制陆地总初级生产力的植物物候学和生理学 美国国家科学院院刊》上 2015年 112年 9 2788年 2793年 10.1073 / pnas.1413090112 2 - s2.0 - 84924363551 25730847 王 X。 肖 J。 李 X。 程 G。 马 M。 朱 G。 阿尔塔夫Arain M。 安德鲁·黑 T。 Jassal r S。 没有春季和秋季物候学的趋势在全球变暖的中断 自然通讯 2019年 10 1 2389年 10.1038 / s41467 - 019 - 10235 - 8 2 - s2.0 - 85066813481 31160586 van Vliet a . j . H。 de Groot r S。 剧烈咳嗽 Y。 布劳恩 P。 Bruegger设计 R。 布鲁斯 E。 聪明的 J。 Estreguil C。 Flechsig M。 Jeanneret F。 美极 M。 马顿斯 P。 门尼 B。 门泽尔 一个。 火花 T。 欧洲物候学网络 国际生物气象学杂志 2003年 47 4 202年 212年 10.1007 / s00484 - 003 - 0174 - 2 2 - s2.0 - 0141723339 12734744 王 h·J。 戴 j . H。 通用电气 问:S。 春季物候期变化的时空特征的对在中国从1952年到2007年 科学中国地球科学 2012年 55 6 991年 1000年 10.1007 / s11430 - 011 - 4349 - 0 2 - s2.0 - 84862788542 理查森 答:D。 Hufkens K。 立 T。 Aubrecht d . M。 程ydF4y2Ba M。 灰色的 j . M。 约翰斯顿 m·R。 基南 t F。 Klosterman s T。 Kosmala M。 Melaas e·K。 fiedl的用于检查电子邮件地址 m·A。 Frolking 年代。 跟踪植被物候学跨不同使用PhenoCam意象北美生物群落 科学数据 2018年 5 1 10.1038 / sdata.2018.28 2 - s2.0 - 85044130398 Jochner 年代。 Caffarra 一个。 门泽尔 一个。 可以在物候空间数据替代时态数据模型?一项调查使用桦木开花 树生理 2013年 33 12 1256年 1268年 10.1093 / treephys / tpt079 2 - s2.0 - 84891520329 24169102 邓 C。 白 H。 马 X。 赵 T。 高 年代。 黄 X。 气候生长季节的时空差异在中国的秦岭山脉在全球变暖的影响下从1964年到2015年 理论和应用气候学 2019年 138年 3 - 4 1899年 1911年 10.1007 / s00704 - 019 - 02886 - w 2 - s2.0 - 85068956920 张 X。 fiedl的用于检查电子邮件地址 m·A。 夏芙 c . B。 特拉 a . H。 气候控制植被物候模式在中高纬度地区的北部从MODIS数据推断 全球变化生物学 2004年 10 7 1133年 1145年 10.1111 / j.1529-8817.2003.00784.x 2 - s2.0 - 3242667702 李 X。 周 Y。 孟 l Asrar g·R。 陆 C。 吴 Q。 数据集30   m年度植被物候学指标(1985 - 2015)在城市地区的美国相接的 地球系统科学数据 2019年 11 2 881年 894年 10.5194 / essd - 11 - 881 - 2019 2 - s2.0 - 85067803778 Jeganathan C。 破折号 J。 阿特金森 p . M。 遥感趋势北部高纬度陆地植被的物候学,控制了土地覆盖变化和植被类型 环境遥感 2014年 143年 154年 170年 10.1016 / j.rse.2013.11.020 2 - s2.0 - 84892860488 Henebry g . M。 de Beurs k . M。 地表遥感物候学:招股说明书 物候学:一个综合环境科学 2013年 多德雷赫特 施普林格 385年 411年 李 X。 周 Y。 Asrar g·R。 毛 J。 李 X。 李 W。 响应的植被物候学在美国相接的城市化 全球变化生物学 2017年 23 7 2818年 2830年 10.1111 / gcb.13562 2 - s2.0 - 85007223374 27988975 周 D。 赵 年代。 张 l 刘 年代。 遥感评估城市化影响植被物候学在中国32个主要城市 环境遥感 2016年 176年 272年 281年 10.1016 / j.rse.2016.02.010 2 - s2.0 - 84957615422 马 x P。 白 h . Y。 他 y . N。 李 s . H。 秦岭山脉的植被遥感物候学基于归一化植被指数和温度的响应 应用力学和材料 2014年 700年 394年 399年 10.4028 /www.scientific.net/AMM.700.394 冯 h·P。 白 h . Y。 马 x P。 研究植被物候变化基于NDVI在秦岭地区 应用力学和材料 2014年 700年 350年 359年 10.4028 /www.scientific.net/AMM.700.350 王 Z。 雪 C。 全 W。 他 H。 在秦岭山区森林生物气候学的时空变化及其响应的临界温度10°C 应用遥感技术杂志》上 2018年 12 10.1117/1. jrs.12.022202 2 - s2.0 - 85040765432 邓 C。 白 H。 高 年代。 赵 T。 马 X。 elevation-dependent气候生长季节的差异和变化的秦岭山脉的北部和南部斜坡中国从1985年到2015年 理论和应用气候学 2019年 137年 1 - 2 1159年 1169年 10.1007 / s00704 - 018 - 2654 - 7 2 - s2.0 - 85055524910 陆 M。 Appel M。 Pebesma E。 立分析数据的多维数组 ISPRS国际信息杂志》上 2018年 7 8 313年 10.3390 / ijgi7080313 2 - s2.0 - 85051727430 元 l 余 Z。 罗 W。 胡 Y。 冯 l 朱 a . X。 层次tensor-based压缩方法,更新和查询地理空间数据 IEEE工程知识和数据 2015年 27 2 312年 325年 10.1109 / TKDE.2014.2330829 2 - s2.0 - 84920119336 Planthaber G。 Stonebraker M。 Frew J。 使用SciDB EarthDB:可伸缩的MODIS数据的分析 学报第一ACM SIGSPATIAL国际研讨会上分析大地理空间数据 2012年 11 19 棕褐色 Z。 悦 P。 龚 J。 数组为地球观测数据管理和数据库方法处理 ISPRS国际信息杂志》上 2017年 6 7 220年 10.3390 / ijgi6070220 2 - s2.0 - 85026362794 鲍曼 P。 Mazzetti P。 杉 J。 巴贝拉 R。 Barboni D。 Beccati 一个。 Bigagli l 博德里尼 E。 布鲁诺 R。 Calanducci 一个。 Campalani P。 克莱门茨 O。 Dumitru 一个。 格兰特 M。 赫齐格 P。 Kakaletris G。 拉克斯 J。 Koltsida P。 Lipskoch K。 Mahdiraji a。R。 多亏尤文和 年代。 Merticariu V。 墨西拿 一个。 Misev D。 娜塔莉 年代。 Nativi 年代。 Oosthoek J。 搜集 M。 Passmore J。 罗西 答:P。 Rundo F。 森 M。 Sorbera V。 沙利文 D。 托里西菜馆 M。 它起码 l Veratelli m·G。 瓦格纳 年代。 对地球科学大数据分析:EarthServer方法 国际数字地球杂志》上 2016年 9 1 3 29日 10.1080 / 17538947.2014.1003106 2 - s2.0 - 84958866882 Gorelick N。 Hancher M。 迪克森 M。 Ilyushchenko 年代。 肖 D。 摩尔 R。 谷歌地球引擎:世界范围的地理空间分析 环境遥感 2017年 202年 18 27 10.1016 / j.rse.2017.06.031 2 - s2.0 - 85021781951 Nativi 年代。 Mazzetti P。 Craglia M。 基于视图的数据立方体模型来支持地球大数据系统的互操作性 地球大数据 2017年 1 1 - 2 75年 99年 10.1080 / 20964471.2017.1404232 霍耶 年代。 洗澡 J。 Python中的xarray:一天标记数组和数据集 开放研究软件杂志》上 2017年 5 1 10.5334 / jors.148 Mennis J。 多维地图代数:时空GIS处理语言的设计和实现 在GIS的事务 2010年 14 1 1 21 10.1111 / j.1467-9671.2009.01179.x 2 - s2.0 - 74949088070 曼恩 h . B。 非参数测试与趋势 费雪 1945年 13 3 245年 263年 10.2307 / 1907187 肯德尔 m·G。 等级相关方法 1948年 牛津大学,英国 格里芬 森 p K。 回归系数的估计基于肯德尔τ 美国统计协会杂志》上。 1968年 63年 324年 1379年 1389年 10.1080 / 01621459.1968.10480934 2 - s2.0 - 84947348224 奥德 j·K。 Getis 一个。 局部空间自相关统计:分配问题和应用程序 地理分析 1995年 27 4 286年 306年 10.1111 / j.1538-4632.1995.tb00912.x 2 - s2.0 - 0029514351 方 H。 Baiping Z。 Yonghui Y。 也被改成 Z。 余 P。 质量雪线的海拔高程效应及其贡献在青藏高原及周边地区 北极、南极和高山的研究 2011年 43 2 207年 212年 10.1657 / 1938 - 4246 43.2.207 2 - s2.0 - 79956018009